锂离子电池建模电池SOC／SOH比对.docxVIP

1.2 电池模型的研究现状 对锂离子电池的建模有两种途径，一种是对电池进行大量的实验，积累实验数据，对采集到的数据进行模拟，总结得出锂离子电池的变化规律；另一种是对锂离子电池的微观行为进行研究，通过对微观行为的描述，借助计算机手段，建立具有理论基础的模型。常用的电池模型主要有内阻模型，等效电路模型，遗传算法模型，神经网络模型以及电化学模型。 1.2.1 内阻模型 内阻模型是最简单的电池模型，通常用来预测电池的容量[5]。一般说来，电池容量随着电压和内阻变化。由于电压在不同放电电流下会有不同的变化，研究者们就试图建立内阻与容量之间的关系。然而内阻并非一个本征的数值，内阻模型需要大量的实验数据。例如电池的最大容量在不同温度下的变化规律，电池输出端电压在不同电流倍率下的变化规律，电池内阻在不同温度下的变化规律。根据实验得到的数据，根据电池使用环境的不同，依靠电池内阻来判定电池的容量，因此该模型更接近于一个数据库。 1.2.2 等效电路模型 由于电池在电流的作用下会体现电阻以及电容的部分特征，v.Johsonl[6-7]等人提出可以用等效电路来建立电池模型，模拟电池的动态与静态性能。基本的锂离子电池等效电路如图1所示，其中和分别代表电池的开路电压和输出电压，为电池内阻，并联电路模拟电池的外特性。 图1.1 电池等效电路模型 1.2.3 遗传算法模型 文献[8]研究了基于遗传算法的锂离子电池模型，一般情况下可以分析实验数据，求解方程等方法建立模型，模拟电池的特性。但是由于电池内部的化学反应非常复杂，很难找到合适的函数来描述电池模型。遗传算法计算方便，输出函数形式十分灵活，可以用来建立锂离子电池的模型。 1.2.4 神经网络模型 Shen WX[9-10]等人研究了使用神经网络算法建立电池模型的可行性，建立了锂离子电池的模型，并且成功地预测电动汽车中电池的剩余电量。K.T.Chau[11]将神经网络算法与模糊算法联合使用，取长补短，弥补两个算法各自的不足，用来估计锂离子电池的剩余容量，提高了单一算法的估计精度。 1.2.5 电化学模型 电化学模型是根据电池基本化学原理建立的模型，锂离子电池原理性模型是从1982年west[12]的研究基础上逐步建立起来的。West在研究纤维状活性物质颗粒所组成的多孔电极时，建立了一个准二维的多孔电极模型，假定电池中的溶液相为二元溶液体系，将扩散系数默认为常数，固相扩散过程为控制步骤，电化学过程忽略不计。由于锂电池也是多孔电极体系，因此Mao[13]等人在研究Li:LiClO4:TIS2电池模型时，采用了相似的处理方式，考虑到电池的构造，模型中引入了隔膜这一结构。Mao等人的研究结果表明，隔膜越薄，电池能够释放出更多地电量。但是由于该模型不是真正的电池模型，仅仅对单个电极的原理进行研究，没有将电池看成一个整体进行建模，因此模型并不能完全模拟电池的化学特性。在上述模型中，都假设锂离子嵌入过程无限快，因此在电极/电解液界面是存在电化学平衡体系的。也就是说，电池的OCP(Open Circuit Potential)与颗粒表面浓度和附近电解液浓度相关。Spotniztz[14]在随后的模型中考虑了电化学影响。 Doyle[15]在研究Li:PEO8_LiCF3SO3:TiS2电池时，根据多孔电极模型建立真正意义上的电池模型。采用巴特勒-沃尔默方程来描述每个电极上发生的电化学反应，用Fick定律来描述电极内部锂颗粒的扩散现象，并默认扩散系数为常数，在发生化学反应时，电池体积的变化被忽略不计，在电池的隔膜处，锂离子经过隔膜形成一层SEI膜，将这层膜简化成为一个膜电阻，该电池模型不考虑副反应的发生。在[11]的基础上，Fuller[16]等建立了在稀溶液理论下描述锂离子电池化学特性的方程，建立了通用的锂离子电池模型。Fuller等人的研究解释了电池的开路电位OCP和SOC之间的联系，这项工作具有十分重要的意义。该研究表明OCP与SOC曲线的关系是非线性的，电流密度与该曲线的关系十分紧密，OCP与SOC曲线的变化率越大，电流密度的分布越均匀。随后Nalin和Giacomo等在前人的基础之上采用有限元的方法对锂离子电池的化学模型进行求解，并将所求解的模型与实际的电池放电特性进行比较[17-18]。 SOH研究现状 1.3.1 SOH的定义 在行业内，一般用电池的SOH表示电池的健康状态，按照IEEE1188-1996标准，当电池使用一段时间后，电池充满电时的容量低于电池额定容量的80%后，电池就应该被更换。根据这个标准，可以为SOH进行如下定义：在某一条件下电池可放出容量与新电池额定容量的比值[19]: ………………………………（1.1） 其中，表示在当前的条件下，电池可以释放出的最大容量，表示新电池的额定容量